Dans l'apprentissage relationnel statistique, le problème de prédiction de liens est essentiel pour comprendre automatiquement la structure des grandes bases de connaissances. Comme dans les études précédentes, nous proposons de résoudre ce problème par factorisation latente. Cependant, dans cette recherche, nous utilisons des plongements à valeurs complexes (complex valued embeddings). La composition de ces plongements complexes permet de gérer une grande variété de relations binaires, y compris les relations symétriques et antisymétriques. Comparée aux modèles de pointe tels que le Neural Tensor Network et les Holographic Embeddings, notre approche basée sur les plongements complexes est considérablement plus simple, car elle n'utilise que le produit hermitien, l'équivalent complexe du produit scalaire standard entre vecteurs réels. Notre méthode est évolutive pour les grands ensembles de données, restant linéaire en espace et en temps, tout en surpassant constamment les approches alternatives sur des benchmarks standard de prédiction de liens.